نقش و جایگاه مدلهای مختلف هوش مصنوعی در تشخیص و درمان مسمومیتها
دکتر بابک مصطفیزاده، استاد و فلوشیپ سمشناسی بالینی و مسمومیتها، عضو هیاتمدیره انجمن سمشناسی و مسمومیتهای ایران، آبان 1405
مدلهای مختلف هوش مصنوعی میتوانند بهعنوان ابزارهای مکمل در تشخیص، ارزیابی شدت و مدیریت درمانی مسمومیتها در حوزه سمشناسی بالینی به کار گرفته شوند. الگوریتمهای یادگیری ماشین کلاسیک، از جمله (Random Forest)، (Support Vector Machine; SVM) و رگرسیون لجستیک (Logistic Regression)، با تحلیل دادههای بالینی، آزمایشگاهی و اپیدمیولوژیک، قابلیت پیشبینی پیامدهای مسمومیت، از جمله شدت بیماری، احتمال بستری در بخش مراقبتهای ویژه و خطر بروز عوارض را دارند؛ البته عملکرد این مدلها به کیفیت دادهها، انتخاب متغیرهای پیشبینیکننده و اعتبارسنجی مناسب وابسته است.
شبکههای عصبی عمیق (Deep Neural Networks) میتوانند در تحلیل سیگنالهای الکتروکاردیوگرام (ECG) و شناسایی الگوهای مرتبط با سمیت قلبی، از جمله طولانیشدن فاصله QT و پهنشدن کمپلکس QRS در برخی مسمومیتهای دارویی، کاربرد داشته باشند. همچنین، مدلهای (Computer Vision) ظرفیت تحلیل تصاویر بالینی، رادیولوژیک و میکروسکوپی و کمک به شناسایی قرصها، فرآوردههای دارویی و برخی گیاهان سمی را دارند؛ با این حال، دقت این کاربردها به کیفیت تصاویر، تنوع دادههای آموزشی و اعتبارسنجی عملکرد مدل در شرایط واقعی وابسته است.
مدلهای زبانی بزرگ (Large Language Models; LLMs) نیز میتوانند بهعنوان دستیارهای هوشمند تصمیمگیری بالینی، در خلاصهسازی پرونده بیماران، استخراج اطلاعات مرتبط از شرححال، تدوین تشخیصهای افتراقی و بازیابی و خلاصهسازی راهنماهای درمانی مورد استفاده قرار گیرند. با وجود این، احتمال تولید اطلاعات نادرست، ارائه توصیههای نامعتبر یا استناد به منابع غیرواقعی، استفاده مستقل از این مدلها را در تصمیمگیریهای حساس بالینی محدود میکند؛ بنابراین، خروجی آنها باید با منابع معتبر و شواهد علمی روز تطبیق داده شده و توسط متخصص سمشناسی بالینی ارزیابی شود. در همین راستا، پردازش زبان طبیعی (Natural Language Processing; NLP) میتواند استخراج خودکار اطلاعات از گزارشهای مراکز اطلاعرسانی سموم، طبقهبندی موارد مسمومیت و استانداردسازی ثبت دادههای بالینی را تسهیل کند.
در حوزه تشخیص آزمایشگاهی، تلفیق روشهای هوش مصنوعی با طیفسنجی جرمی (Mass Spectrometry) و روشهای کروماتوگرافی میتواند به تفسیر سریعتر دادههای پیچیده تحلیلی، شناسایی ترکیبات ناشناخته و تشخیص مواد روانگردان مصنوعی نوظهور کمک کند. با این حال، شناسایی قطعی ترکیبات سمی همچنان به کیفیت روش تحلیلی، وجود دادههای مرجع معتبر و تأیید آزمایشگاهی مناسب وابسته است.
از دیگر کاربردهای بالقوه هوش مصنوعی، توسعه مدلهای پیشبینیکننده مبتنی بر یادگیری ماشین برای برآورد غلظت خونی داروها و سموم، تحلیل روند تغییرات غلظت در طول زمان و پشتیبانی از تصمیمگیری درباره درمانهای اختصاصی است. این مدلها، در صورت برخورداری از دادههای معتبر و اعتبارسنجی بالینی کافی، میتوانند در تصمیمگیری درباره تجویز پادزهرها، از جمله N-استیلسیستئین در مسمومیت با استامینوفن، و ارزیابی نیاز به روشهای حذف برونبدنی سموم، مانند همودیالیز، نقش حمایتی داشته باشند. با این حال، تصمیمگیری در این زمینه باید بر اساس معیارهای پذیرفتهشده بالینی، یافتههای آزمایشگاهی و شرایط اختصاصی هر بیمار انجام شود. افزون بر این، سامانههای پایش هوشمند علائم حیاتی با تحلیل مستمر دادههای فیزیولوژیک و شناسایی الگوهای هشداردهنده میتوانند به تشخیص زودهنگام وخامت بالینی و تسریع مداخلات درمانی کمک کنند؛ هرچند اثربخشی آنها باید در محیطهای بالینی واقعی ارزیابی شود.
با وجود ظرفیتهای قابل توجه این فناوریها، چالشهایی نظیر محدودیت دادههای باکیفیت و نماینده جمعیت هدف، عدم توازن دادهها، سوگیری الگوریتمی، کاهش قابلیت تعمیمپذیری به جمعیتها و محیطهای درمانی متفاوت، ضعف تفسیرپذیری برخی مدلها و ملاحظات مربوط به محرمانگی و امنیت دادههای بیماران، همچنان از موانع مهم پیادهسازی گسترده هوش مصنوعی در سمشناسی بالینی به شمار میروند. افزون بر این، ارزیابی عملکرد مدلها باید فراتر از شاخصهای آماری دقت بوده و معیارهایی نظیر حساسیت، ویژگی، کالیبراسیون، ارزش پیشبینیکنندگی و تأثیر واقعی بر پیامدهای بالینی را نیز در بر گیرد.
در مجموع، هوش مصنوعی در سمشناسی بالینی باید بهعنوان ابزاری حمایتی برای ارتقای دقت تشخیصی، بهبود ارزیابی خطر و تسهیل تصمیمگیری درمانی در نظر گرفته شود، نه جایگزینی برای قضاوت بالینی متخصص. بهرهگیری ایمن و اثربخش از این فناوری مستلزم تلفیق دانش و تجربه سمشناس بالینی با خروجی مدلهای هوشمند، اعتبارسنجی مستقل، نظارت انسانی و ارزیابی مستمر عملکرد در محیطهای واقعی درمانی است.